近年來視覺語⾔基礎模型（Vision  Language  Models,  VLMs）在多模態理解和⾼層次常識推理上⼤放異彩，如何將其應⽤于機器⼈以實現通⽤操作是具身智能領域的⼀個核⼼問題。這⼀⽬標的實現受兩⼤關鍵挑戰制約：

1. VLM 缺少精確的 3D 理解能⼒：通過對⽐學習范式訓練、僅以 2D 圖像 / ⽂本作為輸⼊的 VLM 的天然局限；

2. ⽆法輸出低層次動作：將 VLM 在機器⼈數據上進⾏微調以得到視覺 - 語⾔ - 動作（VLA）模型是⼀種有前景的解決⽅案，但⽬前仍受到數據收集成本和泛化能⼒的限制。

針對上述難題，北⼤攜⼿智元機器⼈團隊提出了 OmniManip 架構，基于以對象為中⼼的 3D 交互基元，將 VLM 的高層次推理能力轉化為機器⼈的低層次高精度動作。

針對⼤模型幻覺問題和真實環境操作的不確定性，OmniManip 創新性地引⼊了 VLM 規劃和機器⼈執⾏的雙閉環系統設計，實現了操作性能的顯著突破。

實驗結果表明，OmniManip 作為⼀種免訓練的開放詞匯操作⽅法，在各種機器⼈操作任務中具備強⼤的零樣本泛化能⼒。

OmniManip 的關鍵設計包括：

基于 VLM 的任務解析：利⽤ VLM 強⼤的常識推理能⼒，將任務分解為多個結構化階段（Stages），每個階段明確指定了主動物體（Active）、被動物體（Passive）和動作類型（Action）。

以物體為中⼼的交互基元作為空間約束：通過 3D 基座模型⽣成任務相關物體的 3D 模型和規范化空間（canonical space），使 VLM 能夠直接在該空間中采樣 3D 交互基元，作為 Action 的空間約束，從⽽優化求解出 Active 物體在 Passive 物體規范坐標系下的⽬標交互姿態。

閉環 VLM 規劃：將⽬標交互姿態下的 Active/Passive 物體渲染成圖像，由 VLM 評估與重采樣，實現 VLM 對⾃身規劃結果的閉環調整。

閉環機器⼈執⾏：通過物體 6D 姿態跟蹤器實時更新 Active/Passive 物體的位姿，轉換為機械臂末端執⾏器的操作軌跡，實現閉環執⾏。

物體的交互基元通過其在標準空間中的交互點和⽅向來表征。交互點 p∈R3 表示物體上關鍵的交互位置，⽽交互⽅向 v∈R3 代表與任務相關的主要軸。這兩者共同構成交互基元 O={p,v}，封裝了滿⾜任務約束所需的基本⼏何和功能屬性。這些標準交互基元相對于其標準空間定義，能夠在不同場景中保持⼀致，實現更通⽤和可重⽤的操作策略。

對于通⽤物體的交互點提取，OmniManip 利⽤視覺語⾔模型（VLM）在原圖（當部件可⻅且實體存在時）或在正交視圖中渲染的 3D ⽹格（當部件不可⻅或實體不存在時）上進⾏定位。

與 CoPa 和 ReKep 等⽅法不同，OmniManip 直接讓 VLM 進⾏ grounding，不會受限于不穩定的 part 分割或聚類結果。

在交互⽅向的采樣⽅⾯，由于物體的規范化空間通過 Omni6DPose 錨定，軸的⽅向與語義對⻬，該團隊讓 VLM 直接對物體標準空間的軸進⾏語義描述，并根據操作任務進⾏匹配度排序，以獲得交互⽅向的候選。

雙閉環系統設計

李⻜⻜團隊的⼯作 ReKep 通過關鍵點跟蹤巧妙地實現了機械臂的閉環執⾏，但其 VLM 規劃過程是開環的。OmniManip 則更進⼀步，得益于以物體為中⼼的設計理念，⾸次在 VLM 規劃和機械臂執⾏層⾯實現了雙閉環系統：

閉環規劃：在實驗中，VLM 推理很容易出現幻覺，導致錯誤的規劃結果（尤其是在涉及 3D 旋轉的任務中，如倒⽔、插筆）。OmniManip 賦予 VLM 閉環規劃能⼒，通過渲染物體的三維模型，幫助 VLM 「腦補」出規劃結果后的物體樣貌，再判斷其合理性。

這⼀功能賦予了 VLM 空間反思能⼒，使其能夠在測試時進⾏推理，類似于 OpenAI 的 O1，⼤⼤提⾼了操作成功率。為了保持框架的簡潔性，研究團隊沒有設計復雜的測試時推理流程，僅作⼀輪校驗就已明顯提⾼了 VLM 的規劃準確率。

閉環執⾏：OmniManip 提取的交互基元位于物體的規范空間中，只需引⼊⼀個 6D 位姿跟蹤器即可輕松實現閉環操作。與 ReKep 使⽤的關鍵點跟蹤器相⽐，基于物體的 6D 位姿跟蹤⽅式更為穩定，并對遮擋具有更強的魯棒性。（缺點則是不如關鍵點靈活、⽆法建模柔性物體操作。）

▍實驗結果

強⼤的開放詞匯操作性能

在 12 個真機短程任務上，OmniManip 均展現出卓越的性能。

雙閉環系統設計為 OmniManip 帶來了約 17% 的性能提升，這證明了 RRC 在有效減少⼤模型幻覺影響⽅⾯的作⽤。

交互基元的魯棒性

VLM 需要基于交互基元對機器⼈操作進⾏規劃，如果交互基元本身存在問題，VLM 就會陷⼊「巧婦難為⽆⽶之炊」的困境。因此，可靠的交互基元⾄關重要。以往的⽅法通常是讓 VLM 直接在相機拍攝的 2D 圖像上采樣交互基元，然后通過相機的內外參數轉換到 3D 空間。

然⽽，由于 2D 圖像存在空間歧義，采樣效果對相機視⻆、圖像紋理和部件形狀等因素極為敏感（例如，當相機平視杯⼦時，之前的⽅法只能對準杯⼦的側壁、⽽不是開⼝）。⽽ OmniManip 則是在物體的 3D 規范空間中進⾏采樣，能夠輕松克服 2D 圖像的局限性，實現可靠的 3D 交互基元提取。

強⼤的拓展性與潛⼒

OmniManip 能夠與 high-level 任務規劃器結合，實現⻓程任務操作

作為⼀種以物體為中⼼的算法，OmniManip 與機械臂本體解耦，能夠零成本遷移⾄不同形態的本體（例如雙臂⼈形機器⼈）。

OmniManip 具有強⼤的通⽤泛化能⼒，不受特定場景和物體限制。團隊已將其應⽤于數字資產⾃動標注 / 合成管道，實現⼤規模的機器⼈軌跡⾃動采集。